CathAI: Watafiti walijenga AI ambayo inasoma skrini za moyo kama kardiologist

Waandishi wa: Robert Avram Mwanamuziki Jeffrey E. Olgin Mwakyembe Ahmed Mwandishi wa Verreault-Julien Maana ya Wan Joshua Barrios wa Sean Mwakyembe Maana ya Wan Joseph E. Gonzalez kwa ajili ya Waziri Mkuu Jean-Claude Tardif Derek Y. Hivyo Mwakyembe wa Soni Geoffrey H. Tison kwa ujumla Waandishi wa: Robert Mwakyembe Mwanamuziki Jeffrey E. Olgin Mwakyembe Ahmed Mwandishi wa Verreault-Julien Maana ya Wan Joshua Barrios wa Sean Mwakyembe Maana ya Wan Joseph E. Gonzalez kwa ajili ya Waziri Mkuu Jean-Claude Tardif Derek Y. Hivyo Mwakyembe wa Soni Geoffrey H. Tison kwa ujumla Abstract ya CAD Cathhibary angiography ni mchakato wa msingi wa uchambuzi na maamuzi ya usimamizi katika angiogram coronary (CAD), lakini tathmini ya ad-hoc ya angiograms ina ubadilishaji mkubwa. Hapa tunaripoti mbinu ya moja kwa moja ya kutafsiri angiographic angiographic angiogram kutoka angiograms ya kawaida ya coronary. Matumizi ya utafiti wa 13.843 ya angiographic kutoka kwa wagonjwa 11,972 wa watu wazima katika Chuo Kikuu cha California, San Francisco (UCSF), kati ya Aprili 1, 2008 na Desemba 31, 2019, tunajifunza mitandao ya neural ili kutekeleza kazi nne za mfululizo zinazohitajika kwa ajili ya uanzishaji wa angiographic angiogram ya angiogram ya coronary na tathmini. Alg Introduction Ugonjwa wa moyo wa coronary (CHD) ni chanzo kikuu cha kifo cha watu wazima nchini Marekani na duniani kote Ugonjwa wa arterial coronary (CAD), unaosababishwa na plaques atherosclerotic kuingiza arterial coronary, pia inajulikana kama ugonjwa wa arterial coronary (CAD). Utaratibu wa angiography ya arterial coronary ni utaratibu wa kiwango cha dhahabu wa kutambua stenosis ya arterial coronary ambayo kwa hiyo hutoa habari muhimu kwa maamuzi CAD matibabu kuanzia matibabu ya matibabu peke yake hadi revascularization na stents ya arterial au upasuaji wa bypass Tathmini ya macho ya daktari ya ukatili wa coronary stenosis kutoka kwa angiograms bado ni mbinu ya kawaida, inayounga mkono mwongozo wa tathmini ya upungufu wa angiographic wa lumen ya artery coronary , . 1 2 2 3 Hata hivyo, mipaka ya makadirio ya mtazamo kwa ukali wa coronary stenosis ni ilivyoelezwa vizuri, na ni pamoja na kubadilika ndani na kati ya watazamaji, udanganyifu wa operator na kurejeshwa mbaya. , Mabadiliko katika tathmini ya stenosis ya mtazamo ni kati ya 7.6 hadi 22.5% , , Na wakati ubora wa picha ya angiography ya coronary imeboreshwa, variability bado inaendelea na ni kubwa katika mazingira ya msomaji mmoja wa daktari, ambayo ni kwa kiasi kikubwa mchakato wa kazi wa kliniki. , Tathmini ya macho ya stenosis inaweza kupima uzito wa stenosis katika zaidi ya theluthi moja ya kesi na inaweza kusaidia upasuaji usiofaa wa upasuaji wa artery bypass katika 17% ya wagonjwa na matumizi ya stent katika angalau 10% ya wagonjwa , , , Njia ya standardized zaidi, inaweza kurejeshwa kwa tafsiri ya angiogram na tathmini ya stenosis ya coronary itakuwa na umuhimu mkubwa wa kliniki. 4 5 4 5 6 4 7 8 4 5 6 8 Uchunguzi tofauti wa ziada unaweza kuongeza tathmini ya CAD wakati wa angiography ya coronary, kama tathmini ya kisaikolojia , Picha ya Intra-Vascular Ingawa wengi wanahitaji ujuzi wa operator ya ziada na matumizi ya katikati ya ziada, hivyo hutumiwa katika chini ya 10-20% ya angiograms ya coronary , , Zaidi ya hayo, ufafanuzi wa haja ya uchunguzi wa ziada bado unategemea hasa tathmini ya macho ya daktari wa angiograms wakati wa utaratibu wa angiography ili kutambua ugumu wa kati au stenosis kubwa ya coronary (kwa mfano 40-69%) Quantitative coronary angiography (QCA) ni mbinu ambayo hutoa uchambuzi wa angiograms ambayo inaruhusu tathmini ya stenosis zaidi. Hata hivyo, QCA haijatengenezwa kikamilifu na inahitaji kuingia kwa operator kwa calibration ya picha na uteuzi wa frame, ikilinganishwa kwa kiasi kikubwa na mipangilio ya utafiti. , . 9 10 11 9 11 12 3 13 5 14 Algorithms ya akili ya kiufundi (AI), na mitandao ya neural ya kina hasa, imeonyesha uwezo wa automatiska kazi muhimu za kliniki katika kardiolojia pamoja na kardiolojia ya kuingilia Lengo letu ni kuendeleza na kuthibitisha mbinu ya automatiska ya kutafsiri angiogram ya coronary, lokalization ya stenosis ya artery coronary na makadirio ya uzito kutoka angiograms ya dunia halisi ya coronary. 15 Matokeo ya Dataset kamili ilihusisha masomo 13,843 kamili ya angiogram (195,195 jumla ya video ya angiographic) kutoka kwa wagonjwa 11,972 wenye umri wa miaka ≥18 kutoka Chuo Kikuu cha California, San Francisco (UCSF), kati ya Aprili 1, 2008 na Desemba 31, 2019 (Kielelezo. , Supplementary Fig. Umri wa wastani ulikuwa miaka 63.5 ± 13.7 katika Dataset kamili na 66.7 ± 12.0 katika Dataset Ripoti. 1a ya 1 Picha ya angiogram kutoka algorithm moja kwenda nyingine ili kutimiza kazi 4 muhimu zinazohitajika kwa tafsiri ya automatiska. Matumizi ya CathAI kwa mfano angiogram ya coronary. Mfano wa angiogram ya nyuma ya mbele ya chini ya artery na stenosis mbaya (kuhusiana na sehemu ya katikati) imeonyeshwa kuendeleza kupitia mfumo wa CathAI: kutambua uchambuzi wa angiographic, kutambua LCA (kulia), kuweka sanduku za mipaka karibu na vitu kama vile stenosis (zoom, katikati), na kutabiri kiwango cha juu cha stenosis (kulia). a b utendaji wa CathAI kwa ajili ya kuagiza angiographic mzunguko, miundo anatomical, na angiogram objekti lokalization Ili kutenganisha angiographic mzunguko mzunguko, CathAI kufikia mzunguko-kuwa na thamani ya utabiri mzuri (PPV) ya 0.90, hisia ya 0.90 na kiwango cha F1 ya 0.90 katika mkusanyiko wa data (Tabu ya ziada). Kwa kufafanua muundo wa anatomiki wa msingi unaohifadhiwa katika video ya angiogram, CathAI ilipata PPV ya mara kwa mara ya 0.89, hisia ya 0.89 na alama ya F1 ya 0.89 katika mkusanyiko wa data (Tabla). Ufanisi wa CathAI ulikuwa mkubwa kwa mishipa ya kushoto na ya kulia ya coronary (LCA na RCA, kulingana), ambazo ni vitu vya kwanza vya angiographic vya maslahi: PPV na hisia, kulingana, walikuwa 0.97 na 0.94 kwa LCA na 0.93 na 0.93 kwa RCA. 8 1 Mara baada ya video za angiogram zilizohifadhiwa hasa LCA na RCA zilipatwa, CathAI iliweka vitu katika angiogram kwa kutabiri sanduku za mipaka karibu na sehemu za artery ya coronary kama vile sehemu ya karibu ya artery ya coronary, maeneo ya stenosis, stents na katikati ya coronary. Ili kupima utendaji wa CathAI ili kuweka vitu hivi, usahihi wa wastani (mAP) ilitumiwa kulinganisha maelekezo yaliyotarajiwa dhidi ya ukweli wa ardhi kwa kila kitu. (Tafakari ya ziada CathAI iligundua kwa usahihi 93.3% ya stenosis ya artery coronary (PPV) katika dataset ya mtihani wa UCSF. 16 9 Ufanisi wa CathAI kutabiri ukali wa stenosis Algorithi ya mwisho katika mfumo wa CathAI ilihesabiwa ukali wa ugonjwa wa arterial coronary (Fig. Takwimu zilizotangulia za uzito wa stenosis zilikuwa za wastani kutoka kwa video zote za angiogram kutoka kwa utafiti fulani ambayo ilionyesha sehemu fulani ya artery (iliyoitwa "kiwango cha artery"), kutafakari mazoezi ya kawaida ya kliniki. Katika dataset ya mtihani, AUC ya CathAI ili kutambua stenosis ya kuzuia ilikuwa 0.862 (95% CI: 0.843–0.880) kwenye kiwango cha artery (Tabela) ; Fig. Utabiri wa stenosis ya kiwango cha artery ulifanya vizuri zaidi kuliko utabiri wa kiwango cha video au picha (Pig. Meza ya ziada Kwa utabiri wa CathAI wa ukali wa stenosis kama asilimia ya kuendelea ya stenosis, tofauti ya asilimia ya wastani kati ya AI-stenosis na ripoti-stenosis ilikuwa 17.9 ± 15.5% (Tabu • Figo ya ziada. Kulikuwa na tofauti ya asilimia ya wastani ya kiwango cha juu kwa RCA ikilinganishwa na LCA (16.4 ± 15,0 dhidi ya 19.0 ± 15,8). Mstari wa 001, Meza • Meza ya ziada CathAI alikuwa na AUC ya juu sana kutambua stenosis mbaya katika makundi ya wanawake vs wanaume [0.890 (95% CI: 0.864–0.923) vs 0.830 (95% CI: 0.805–0.856) kulingana, thamani kwa ajili ya ushirikiano: 0.02]. 1B ya 2 2a ya 2a ya 10 2 3 p 2 10 P Receiver Operating Characteristic Curves (ROC) kwa CathAI utabiri wa obstructive (</≥70%) coronary stenosis katika mkusanyiko wa data. Black dot: kiwango cha AI-stenosis kuchaguliwa ili kuboresha kiwango cha F1 katika mkusanyiko wa data ya kiwango cha artery. Red cross: Ufafanuzi wakati hisia ni imara kwa 80%. Blue cross: Ufafanuzi wakati hisia ni imara kwa 80%. Mchoro matrix kwa CathAI utabiri wa obstructive stenosis vs. REPORT-stenosis. UOHI External Validation Dataset-ROC for CathAI prediction of obstructive (</≥70%) stenosis. Black dot: kiwango cha AI-stenosis kilichochaguliwa ili kuboresha kiwango cha F1 katika dataset ya kiwango cha artery. Red cross: Specificity wakati hisia ni imara kwa 80%. Blue cross: Sensitivity wakati hisia ni imara kwa 80%. UOHI DataSet-Confusion Matrix ya Uhalali wa Nje kwa CathAI utabiri wa stenosis ya kuzuia vs. wataalam adjudicators. eneo la AUC chini ya mwongozo, kiwango cha uaminifu wa CI, AI artificial intelligence. a b c d Kati ya stenosis ≥70% kulingana na REPORT-stenosis, CathAI ilichaguliwa 74.5% kwa usahihi (95% CI: 70.0-78.4%; 260/349, Fig. ); na ya wale <70% stenosis na REPORT-stenosis, algorithm 4 alichangia 78.1% kwa usahihi (95% CI:76.1–80.1%; 1082/1385). Wakati sensitivity ya algorithm 4 kugundua obstructive coronary stenosis ilikuwa imara katika 80.0%, specificity yake kugundua obstructive stenosis ilikuwa 74.1%; na wakati specificity ilikuwa imara katika 80.0%, sensitivity yake kugundua obstructive stenosis ilikuwa 71.6%. Kulikuwa na uhusiano kati ya kuendelea AI-stenosis na REPORT-stenosis (Tabela CathAI iliongezeka kwa stenosis ndogo na underestimated stenosis mbaya (Fig. (Kwa ajili ya 2b 2 3 Uchunguzi wa nje wa CathAI katika Dataset ya UOHI Ili kuchunguza generalizability nje, tulitumia CathAI kwa 464 randomly sampleed angiogram video kutoka UOHI. Picha hii ilipigwa tokea ktk veranda za moja ya vyumba vya Manyara Serena Lodge na ilipigwa tokea ktk veranda za moja ya vyumba vya Manyara Serena Lodge. ( Kwa mujibu wa ripoti ya kituo cha mawasiliano (signal station) cha shirika la mawasiliano (signal station) cha shirika la mawasiliano (signal station) cha shirika la mawasiliano (signal station). = 360); katika 15.5% yaliyobaki ambapo sub-segment ya artery haikuwa sahihi, CathAI ilitoa stenosis kwa artery sahihi kwa ujumla (LCA vs RCA). Stenosis zote za CathAI zilizojulikana zilikuwa stenosis halisi, kinyume na artefact kutokana na upungufu wa chini au tortuosity ya mishipa, kulingana na waamuzi wote wawili. 4 n n Mabadiliko ya kati ya watazamaji kwa tathmini ya asilimia ya stenosis kati ya watazamaji wawili yalikuwa 15.7% ± 14.5%. Kwa ufafanuzi wa stenosis ya obstructive (</≥70%) watazamaji walikubaliana juu ya 16.8% ya stenosis kama kuwa obstructive ( = 78). Tulipata wastani wa arithmetic wa asilimia ya stenosis kutoka kwa waamuzi wawili kulinganisha na utabiri wa CathAI wa utabiri wa ukali wa stenosis. kulinganisha na hili, AUC ya CathAI kwa stenosis ya kuzuia (≥70%) ilikuwa 0.869 (95% CI: 0.830-0,907; Fig. ya ); hisia ilikuwa 86.4% na usahihi ilikuwa 67.3% (Kielelezo. Kiasi cha wastani cha asilimia kati ya AI-stenosis na asilimia ya stenosis wastani kutoka kwa watuhumiwa wawili ilikuwa 18.02% ± 11.02%. Katika dataset ya UOHI, CathAI ilichukua ~ 3-5 s kuchambua video ya angiography, au 35 s kwa mtihani kamili, kutumia GPU ya Nvidia GTX 1080 Ti. n 2C ya 3 2D ya Matokeo ya msingi kwa Chuo Kikuu cha California, San Francisco (UCSF) uhakiki wa ndani na Chuo Kikuu cha Ottawa Heart Institute (UOHI) uhakiki wa nje ni kuonyeshwa kwa kila moja ya kazi 4. Mafunzo ya CathAI kutabiri Stenosis ya QCA Mchakato wa data wa RCT QCA ulikuwa na wagonjwa 709 na uchunguzi wa 858 (1384 stenosis; 18 ngumu ≥70%, 71 ngumu ≥50% lakini <70% na 1295 sio ngumu). = 1384) ya stenosis (67.2% kwa LCA na 86.8% kwa RCA). kiwango cha wastani cha stenosis kama ilivyotajwa na QCA kilikuwa 31.7 ± 11.6% (Fig. Kwa kuzingatia idadi tofauti ya wagonjwa wa dataset ya RCT QCA ya vigezo vya CAD na QCA kwa ujumla (≥50% QCA stenosis) badala ya makadirio ya macho, dataset ya RCT QCA ilitoa fursa ya kufundisha CathAI kutabiri stenosis ya QCA, badala ya stenosis zilizotajwa kwa macho. Mara baada ya mafunzo, AUC ya CathAI ya kutambua stenosis ya QCA (≥50%) ilikuwa 0.775 (95% CI: 0.594-0,955) kwenye ngazi ya artery (Tabu la ziada). ) na kwa stenosis ya QCA ≥70%, AUC ilikuwa 0.75 (95% CI: 0.570-0.930). tofauti ya wastani ya stenosis kati ya stenosis iliyotarajiwa na CathAI na stenosis iliyotarajiwa na QCA ilikuwa 6.5 ± 5.5% katika data ya mtihani. n 5 11 Kutumia ufafanuzi wa mtandao wa neural kuelewa utendaji wa CathAI Ili kuelewa zaidi mambo ndani ya angiograms ambayo yamechangia utabiri wa CathAI, tumeitumia mbinu mbili za ufafanuzi kwa algorithms za CathAI zilizoandaliwa kikamilifu. Hii inaweza kusaidia kuelezea jinsi algorithms zinafanya kazi na kutoa mazingira ya uamuzi wa ziada kwa madaktari. inaonyesha maeneo ya picha muhimu zaidi kwa utabiri wa CathAI, kuonyesha kwamba ilitumia maeneo kama kardiologist, kama artery ya mbele ya kushuka ya kushoto kutambua picha za LCA (Picha. Pia tumechapisha ramani za kutosha kwa ajili ya utabiri wa CathAI wa ukali wa stenosis kwa kutumia mbinu ya Visualization ya Maonyesho ya Taarifa (LOVI) Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha ya Picha • Figo ya ziada. ) walikuwa si tu kwa sehemu za artery stenosed, lakini pia kwa sehemu za kawaida na pixels moja kwa moja karibu na artery, kuonyesha kwamba uhusiano kati ya sehemu za artery stenosed na zisizo stenosed husaidia utabiri wa CathAI wa ukali wa stenosis. 17 4a ya 18 4B ya 6 GradCAM inatumika kwa classification ya CathAI ya muundo wa anatomical ya msingi. Picha mbili za angiogram za awali zinaonyeshwa (kulia), pamoja na picha zinazohusiana zinazojulikana na GradCAM (kulia) zinaonyesha maeneo ya umuhimu mkubwa kwa maamuzi ya algorithm. GradCAM-maonyesho ya maeneo yanayojitokeza karibu na artery ya korona ya kushoto ndani ya picha ya angiogram, na rangi ya bluu inaonyesha umuhimu mdogo, rangi ya njano inaonyesha umuhimu wa kati na rangi ya kijani inaonyesha umuhimu wa juu kwa utabiri wa CathAI Algorithm 2. LOVI Saliency Maps ya CathAI utabiri wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ug a b Mjadala wa Tumeelezea maendeleo na utekelezaji wa katiba ya CathAI iliyoundwa na algorithms nne na ilionyesha maendeleo makubwa katika uchambuzi wa moja kwa moja wa angiograms ya coronary. Kila algorithm ilifanya kazi maalum ambayo ilisaidia kutimiza lengo la uchambuzi wa kwanza wa angiography ya coronary — tathmini ya uzito wa stenosis ya coronary artery — kufikia kiwango cha juu cha utendaji kwa kila kazi. Jambo muhimu, CathAI ilikuwa ya kawaida, bila mafunzo ya ziada, kutabiri stenosis zilizotajwa kwa macho kutoka angiograms za UOHI halisi, mfumo wa matibabu tofauti katika nchi tofauti. CathAI pia ilifunguliwa kwa mafanikio kutabiri tathmini za QCA stenosis katika seti ya tatu ya data ya RCT QCA Kazi ya awali imesema mitandao ya neva inayofanya kazi za kibinafsi katika mazingira ya majaribio yanayohusiana na uchambuzi wa angiogram kama vile uchambuzi wa frame , utabiri wa stenosis kutoka kwa picha za RCA (kuchaguliwa kwa mkono) , , , , , , Sehemu ya meli ya coronary , Utambulisho wa Stenosis Hata hivyo, kwa ujuzi wetu, uchambuzi kamili wa automatiska na utabiri wa stenosis kwa video za angiogram ya coronary bado haijaonyeshwa kwenye angiograms ya ulimwengu halisi. , , , , , , uwezekano kwa sababu ina tofauti ndogo ya anatomical na utata ikilinganishwa na LCA, kupunguza ugumu wa uchambuzi wa angiograms ya RCA. Hata hivyo, mbinu zilizofundishwa juu ya angiograms ya RCA zilizochaguliwa kabla haiwezi kuchambua data ya ulimwengu halisi, ambayo ni pamoja na video zisizo za RCA na zisizo za coronary artery. Katika jitihada za hivi karibuni Du et al. ilichambua ram moja kutoka kwa angiograms zote za LCA na RCA ili kutambua sehemu za coronary na stenosis , lakini haikutabiri uzito wa stenosis ambayo ni sehemu muhimu. Kazi yetu inaendeleza hali ya kisasa ambayo inaweza kuzingatiwa kwa angiograms nje ya ulimwengu halisi na kutafakari miongozo ya kiwango cha huduma-kupendekeza "maono mabaya" tathmini , Kwa sababu angiography ya coronary ni muhimu kwa uamuzi wote wa kliniki wa CHD , CathAI ina uwezo mkubwa wa automatiska tafsiri ya angiogram. Kutofautiana na utabiri wa CathAI kutoka kwa tathmini ya macho ya wataalam wa binadamu ulikuwa ndani ya, na mara nyingi chini ya, tofauti ya kawaida iliyotangazwa kati ya watazamaji , , , , CathAI's retrained QCA deviation ilikuwa 6.5 ± 5.5% katika RCT QCA dataset ambayo ni ndogo sana kuliko tofauti ya 10.2-16.6% kati ya tathmini ya macho ya daktari na QCA iliripotiwa katika fasihi 19 19 20 21 22 23 24 25 26 27 28 19 20 21 22 23 24 25 28 2 3 2 3 4 5 6 7 29 5 Uchambuzi wa automatiska wa angiograms una ufanisi mkubwa na mtazamo wa teknolojia ya "kuendesha gari yenyewe" kuliko uchambuzi wa rangi ya rangi ya kawaida (yaani x-rays), kwa sababu ya angiograms ya tofauti sana, watumiaji-kuamua video ununuzi na mfululizo wa kazi ngumu zinazohitajika kwa uchambuzi. uchambuzi wa mafanikio wa angiograms ulimwenguni halisi inahitaji mfumo wa AI kusindika aina yoyote ya video kukutana wakati wa utaratibu wa ulimwengu halisi, kutambua picha zinazohitajika, kisha mahali sahihi vitu muhimu. , , , , , , , inatoa ushahidi wa dhana kwamba algorithms nyingi za kujifunza ya kina zilizoundwa kwa madhumuni mbalimbali zinaweza kupambana na vikwazo ambavyo hadi sasa vimezuia uchambuzi wa angiogram ya moja kwa moja. Vituo vingi ambavyo CathAI inafanya kwenye njia ya utabiri wa mwisho wa stenosis hutoa msingi imara wa kuunga mkono kazi nyingi za ziada za baadaye ambazo zinategemea kazi yoyote ya chini ya CathAI, kama vile kutabiri upungufu wa stent, morphology ya plaque ya atherosclerotic, au hifadhi ya mtiririko wa mtiririko kutoka kwa mifano ya mtiririko wa upana. CathAI inaweza kurekebishwa kwa urahisi kwa kazi za ziada. Kama teknolojia ya gari la kuendesha gari, hata hivyo, kazi nyingi zin , Bila shaka, kuboresha zaidi katika kila moja ya algorithms ya CathAI binafsi inaweza kuwa inahitajika kabla ya utekelezaji wa kliniki, ambayo inaweza kufanikiwa kwa mfano kwa kuongeza ukubwa wa datasets anotated na mwanadamu mtaalamu au mafunzo algorithms kujengwa kwa lengo kwa maoni maalum (kama vile RCA-LAO tu artery localization algorithm). Kazi hii inatoa msingi kwa ajili ya kuboresha haraka au kuendeleza algorithms ya baadaye kwa majukumu ya ziada, kama ilivyoonyeshwa kwa QCA re-kozi. 19 20 21 22 23 24 25 28 2 3 Matokeo ya haraka zaidi ya kliniki ya kuanzisha pipeline kama vile CathAI itakuwa kuongeza standardization katika tathmini ya stenosis ya coronary. Tathmini ya macho ya wataalam wa binadamu ya stenosis ya coronary ni imara kuwa na tofauti kubwa kati ya 7-22%. , , , , na kati ya 10-17% dhidi ya kiwango cha dhahabu cha QCA , kuathiri moja kwa moja maamuzi kwa ajili ya kuokoa maisha CHD revascularization matibabu. tafiti kadhaa wamekuwa mara kwa mara taarifa overestimation ya stenosis kwa makadirio ya macho , , Utafiti mmoja ulihesabu angiograms kliniki na wasomaji wengi, taarifa kwamba mapendekezo ya upasuaji wa upasuaji wa upasuaji wa upasuaji wa upasuaji ulibadilika kutoka "haki / sahihi" kwa "hakika / isiyofaa" katika 17-33% ya kesi, ikiwa ni pamoja na 10% ya kesi kwa nafasi za stent. Utafiti huu ilipendekeza kutekeleza tafsiri ya angiogram ya pili ya kujitegemea kabla ya revascularization, ingawa hii kwa ujumla haiwezekani na sio kiwango cha kliniki cha huduma kulingana na mzunguko wa kazi wa kardiolojia ya uingiliaji. Hata hivyo, CathAI inaweza kwa urahisi kutekeleza kazi hii kwa njia ya automatiska, inaweza kurejeshwa ili kutoa utabiri karibu wakati wa kweli wakati wa utaratibu ili kuongezea diagnosis ya ad-hoc ya daktari. Hata hivyo, tangu CathAI ilifundishwa na stenosis sawa zilizotajwa kwa mtazamo, pia ina tabia ya kupunguza stenosis. Ili kukabiliana na hili, CathAI inaweza kufundishwa tena kwa kutumia data za QCA, ambayo, kama tunavyoonyesha, ina tabia ya kutabiri 4 5 6 7 29 5 5 6 8 4 4 Baadhi ya tafiti za hivi karibuni zimeonyesha kwamba kunaweza kuwa na tofauti za jinsia katika makadirio ya stenosis, ambapo stenosis huwa na tathmini ya juu katika wanawake. Ili kuchunguza kama CathAI inaweza kusaidia kupunguza utendaji huu katika makadirio ya stenosis kati ya ngono, tulilinganisha utendaji wa Algorithm 4 kati ya wanaume na wanawake katika dataset yetu ya ndani. Uchambuzi wetu uligundua tofauti ndogo lakini muhimu kati ya utendaji wa algorithm katika ngazi za wanaume na wanawake. Kazi ya baadaye inapaswa lengo la kulinganisha mifano ya stenosis mbaya na isiyo mbaya katika wanaume na wanawake ili kushughulikia zaidi suala la utendaji wa ngono katika makadirio ya uzito wa stenosis. 30 The UOHI dataset provided external validation showing that CathAI generalizes well to external real-world angiograms adjudicated by physician visual estimation. In comparison, the RCT QCA dataset represented a not only a different method of stenosis adjudication (that also uses different thresholds for severe stenosis ≥50% for QCA vs. ≥70% for visual estimation), making it effectively a different task, but a very different patient population with predominantly mild-CAD due to the RCTs’ dataset design. In most UCSF clinical angiograms, as is common in clinical practice, coronary stenoses ≤50% were simply described as “non-obstructive stenosis” and not given a percentage estimate; in contrast, QCA provides stenoses values in all cases. This is exemplified by CathAI identifying 78.7% QCA dataset stenoses compared to 100% of those in the real-world clinical UOHI datset, since the QCA dataset had predominantly mild stenosis. For these reasons, the RCT QCA dataset provided an opportunity to examine how CathAI (Algorithm 4) could provide a pre-trained foundation to learn the new task of QCA prediction using a small dataset of <500 patients with a different CAD distribution. Once retrained, CathAI’s performance to discriminate obstructive stenosis by QCA was numerically lower (AUC = 0.775) than for obstructive stenosis by visual estimation in the main analysis, possibly due in part to the small size of the QCA dataset, although confidence intervals overlapped. However, it is notable that the deviation of 6.5 ± 5.5% of CathAI’s prediction from QCA was substantially lower than the previously reported human visual estimate deviation from QCA in the PROMISE trial of 10–17%. This underscores one of the most immediate potential contributions of AI-automated analysis workflows to decrease interpreter-variability and increase standardization. We believe that this first demonstration of a retrainable CathAI automated angiogram analysis system provides a path forward for future research, highlighting the areas necessary to improve to ultimately build a clinically ready automated angiographic analysis system. Kazi yetu iliyoidhinishwa ina vikwazo kadhaa. Upatikanaji mkubwa unatokana na matumizi yetu ya alama za mafunzo zilizotokana wakati wa matibabu ya kawaida ya kliniki kwa kutumia makadirio ya macho ya daktari. Kwa sababu ya asili ya rasilimali ya kuzalisha idadi kubwa ya makadirio ya kardiolojia kwa picha za angiographic, ili kufikia dataset kubwa zaidi ya mafunzo ya CathAI kwa ukali wa stenosis, tulitumia viwango vya upatikanaji wa kliniki vya REPORT-stenosis ambavyo vilikuwa inapatikana kwa idadi kubwa. Ingawa haya yalikuwa yaliyotengenezwa na wanariadha wa moyo wenye ujuzi wa chini katika UCSF, wanaweza bado kuonyesha mabadiliko yanayohusiana na labels yoyote ya kliniki iliyotengenezwa. Mabadiliko hayo Lengo letu na utafiti huu wa uthibitisho wa dhana ulikuwa kuonyesha "blocks za kujenga" zinazohitajika kwa ufafanuzi wa moja kwa moja wa angiograms ya coronary, na sio lazima kubadilisha kiwango cha sasa cha kliniki kwa ufafanuzi wa angiograms. Ili kufikia mwisho, juhudi kubwa za kibinadamu zitahitajika kuagiza dataset kubwa na mbinu za usahihi. Zaidi ya hayo, tulihusisha tu mishipa kuu za epicardic katika toleo hili la CathAI. Vifaa vingine vinavyohusiana, kama vile uhamisho wa kupita, diagonal, ukomo wa jumla wa kroniki au collaterals, vimechukuliwa, lakini ni malengo kuu ya kazi ya baadaye ya karibu. 31 Kwa ufupi, CathAI ni mstari wa kwanza wa uchambuzi wa automatiska wa angiograms ya coronary. CathAI hupata utendaji wa kisasa kwa kila kazi inayohitajika kwa ufafanuzi wa angiograms ya ulimwengu halisi, ni halali nje, na hutoa msingi kwa kazi za baadaye katika ufafanuzi wa angiographic. Ufafanuzi wa automated stenosis unaoweza kutumika na CathAI inaweza kutumika kuongeza utaratibu na utambulisho katika ufafanuzi wa stenosis ya coronary, moja ya mstari muhimu zaidi katika uamuzi wa kliniki wa CHD. Njia ya Kujifunza washiriki na kusoma datasets For our Full Dataset, we obtained retrospective, de-identified coronary angiographic studies from all patients 18 years or greater from the University of California, San Francisco (UCSF), between April 1, 2008 and December 31, 2019 (Supplementary Fig. Wagonjwa ambao hawakuwa na video ya coronary artery ya kushoto au ya kulia waliondolewa. Angiograms ilipatikana na Philips (Koninklijke Philips N.V., Amsterdam, Uholanzi) na Siemens (Siemens Healthineers, Forchheim, Ujerumani) mifumo ya 15 picha kwa sekunde kwa kutumia Iopromide tofauti. Tulizalisha maalum anotated mafunzo datasets (kwa njia ya metadata inapatikana au anotation mtaalamu) ya Full Dataset subset kwa kila moja ya kazi nne kuu zinazofanywa na CathAI. 1 Ili kuimarisha jitihada za marekebisho zinazohitajika ili kuzalisha data za mafunzo kwa kila Algorithm, tulizalisha "kumbukumbu kamili ya data" kwa kwanza kutambua moja kwa moja picha ndani ya video ambayo inaweza kuwa na kiwango cha juu cha usawa kwa kuhesabu kiwango cha kiwango cha chini cha usawa wa kiwango cha juu cha usawa (SSIM) kutoka kwa kiwango cha juu cha kiwango cha juu cha usawa (kwa mfano wakati artery ni kamili ya usawa). Kumbukumbu ya juu ni ya juu ikiwa picha zina thamani ya piksel sawa na ya chini ikiwa kuna tofauti kubwa. Kumbukumbu na kiwango cha chini cha usawa wa juu cha kiwango cha juu cha usawa kutoka kwa kiwango cha chini cha usawa kilichochaguliwa kama kiwango cha juu cha usawa (kwa mfano wakati artery ni = 1,418,297). viwambo vyote vya video vilirekebishwa kwa picha za ukubwa wa 512*512 px kwa uchambuzi wa algorithm. viwambo vya chini vya viwambo kutoka kwa Dataset kamili iliyochapishwa vikachapishwa kwa kila kazi, kama ilivyoelezwa hapa chini, ili kuzalisha data ya mafunzo kwa Algorithms 1–3. n Kwa algorithms zote, isipokuwa algorithm 3, data ilihesabiwa kwa random kwa kila algorithm katika mafunzo (70%), maendeleo (10%) na mtihani (20%) datasets, kila moja ambayo ina wagonjwa wasiojumuisha. datasets ya maendeleo ilitumiwa kwa algorithm tuning, wakati inahitajika. kwa algorithm 3, datasets splits walikuwa mafunzo (80%) na mtihani (20%); tangu tulitumia hyperparameters ya awali na hakuhitaji algorithm tuning , . 16 32 Algorithm 1 labels were taken directly from the DICOM metadata describing the cranial-caudal and LAO-RAO orientations. Algorithm 2 and 3 required annotations by a board-certified cardiologist (Supplementary Fig. and Supplementary Table , na ya Kwa Algorithm 4, stenosis zilichukuliwa moja kwa moja kutoka kwa ripoti ya utaratibu. 8 1 2 3 The Report dataset Mara baada ya utekelezaji wa utaratibu, kardiologists wa kuingilia kwa kawaida kutafsiri angiogram kwa kutumia tathmini ya mtazamo, kwa mujibu wa mazoezi ya kawaida ya kliniki, na kuelezea uzito wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa giza katika ripoti ya utaratibu. Sisi kutambua 9782 stenosis coronary katika sehemu ya artery (REPORT-stenosis) na kutambua katika 1766 non-stenosed vessels kamili kutoa jumla ya 10,088 non-stenosed sehemu ya vessels, derived kutoka 84,153 picha. Metadata ilichukuliwa kutoka kwa kila video ya angiogram ikiwa ni pamoja na tarehe ya utaratibu, primary (Right Anterior Oblique [RAO] / Left Anterior Oblique [LAO]) na sekondari (cranio-caudal) angi ya mzunguko, idhini ya kipekee ya uchunguzi na idhini ya kipekee ya mgonjwa. Ripoti zisizojulikana-stenosis zilizochukuliwa ziliondolewa kutoka kwenye dataset. Pia tulichukuliwa video ambapo mwongozo wa ndani wa coronary ulikuwepo katika picha zaidi ya 4, kama ilivyoelezwa moja kwa moja na Algorithm 3 (6.076 video, 41,780 stenosis-frames zilizojulikana na mwongozo wa mwongozo), kwa sababu video hizi zina uwezekano wa kuwakilisha kuing ); video zilihifadhiwa kutoka kwa masomo kabla ya kuingiza mwongozo wa intracoronary. 3 1 1 Mfumo wa Parsing Texts Nakala ya bure kutoka kwa ripoti ya utaratibu iliangaziwa kwanza kwa kutumia maneno (“,”) au nyakati (“.”). ). Wakati sehemu ya coronary ilipatikana, tuligundua maelezo yoyote ya kiwango cha stenosis inayohusiana kwa kuingiza "%" na idadi ya karibu moja hadi tatu katika sentensi hiyo. Kwanza tulitafuta kwa kutumia maneno ya kiwango (kama vile "madhara ya haki ya coronary artery"), kisha tuliongeza maneno ya msingi kwa uchunguzi wa maandishi, juu ya iterations nyingi, ikiwa ni pamoja na vifungu vya kawaida zaidi, uandishi wa kubadilishaji na permutations (kama vile "RCA"). Maelezo ya ubora wa CHD, kama vile "maumivu", "maumivu" au "maumivu makubwa" ugonjwa hakuchukuliwa. Zaidi ya hayo, tulitafuta maneno muhimu kama vile "thrombus", "obstruction" au "occlusion" katika ripoti; wakati Sisi hatuchambua ukosefu wa jumla wa kronic na stenosis katika diagonal, marginal, septals, ramus, nyuma ya nyuma ya chini ya shinikizo, nyuma posterolateral au katika uhamisho wa bypass. 3 3 Utafiti wa masomo ya binadamu Utafiti huu ulihesabiwa na Chuo Kikuu cha California, Baraza la Taasisi la San Francisco na haja ya idhini ya ufahamu iliondolewa. Maendeleo ya algorithm Mfumo wa CathAI unajumuisha algorithms 4 za mtandao wa neurons zilizoandaliwa katika pipeline (Fig. Picha za angiographic zinachambuliwa na kila algorithm na "mchakato" kwa mfululizo hadi ijayo ili kutimiza kazi nne za msingi za uchambuzi wa angiogram ya automatiska: (1) usambazaji wa kioo cha uchambuzi wa angiographic; (2) usambazaji wa muundo wa anatomical ya kwanza wa angiogram; (3) mahali pa vitu vinavyohusiana ndani ya angiogram, ikiwa ni pamoja na sehemu za chini za artery ya coronary na stenosis; (4) utabiri wa ukali wa stenosis ya artery ya coronary (kama asilimia ya upungufu wa artery). 1a Tumeunda kila moja ya maktaba ya mtandao wa neva ya msingi ya 4 ya algorithm ya CathAI ili kufikia kazi inayohusiana na angiogram, kama ilivyoelezwa katika sehemu zifuatazo. Kama muhtasari wa kiwango cha juu, Algorithm 1 alikubali picha za kibinafsi (mipango ya video ya angiogram ya coronary) kama ufungaji na alifahamu kioo cha uchambuzi cha angiographic kilichotumiwa na misingi ya LAO-RAO na misingi ya cranial-caudal (LAO cranial, RAO caudal, nk); alama zilikuwa zinapatikana kutoka kwa metadata ya kila video. ), since it is common to capture angiogram videos containing non-cardiac anatomic structures such as the aorta or the femoral artery. Algorithm 2 allowed CathAI to subsequently focus on only angiogram videos primarily containing the left and right coronary arteries (LCA and RCA, respectively). Algorithm 3 localized relevant objects within images of the LCA and RCA by outputting bounding box coordinates for identified objects (Supplementary Video). Coronary artery stenosis location was assigned according to greatest overlap between two Algorithm 3-predicted bounding boxes of the coronary artery sub-segment and stenosis (Fig. Algorithm 4 alikubali picha zilizochapishwa karibu na sehemu za artery zilizopigwa (kwa Algorithm 3 mipaka boxes) na kutabiri kiwango cha kiwango cha juu cha stenosis ndani ya picha kama thamani ya kuendelea kati ya 0 na 100 kwa kila picha. 2 1B ya Algorithm 1: classification of angiographic projection angle Algorithm 1 alikubali picha za kibinafsi (video frames) kama chombo chake cha kuingia na alionyesha kiini cha uchambuzi wa angiographic kilichotumiwa. Kioo cha uchambuzi kinahusiana na kipengele cha fluoroscopic kilichotumika kupata picha, kinachojulikana kwa kawaida juu ya pande mbili zilizojulikana na LAO-RAO na cranial-caudal (LAO cranial, RAO caudal, nk). Kwa data ya mafunzo ya Algorithm 1, picha zote kutoka kwa Dataset kamili iliyochapishwa ziliwekwa katika makundi 12 ya pande za uchambuzi wa kushoto na kioo-caudal kulingana na pande zote za msingi na za sekondari zilizochapishwa kutoka kwa metadata za kila video (-180 na 180 degrees kwa upande wa Kisha tunashiriki Dataset kamili iliyochapishwa katika mafunzo (990,082), maendeleo (128,590) na mkusanyiko wa data (299,625). 1 Algorithm 1 usanifu ulikuwa msingi wa Xception, ambayo ni mtandao wa neural convolutional ambayo imefikia utendaji wa kisasa katika kazi ya kutambua picha Ilikuwa iliyoanzishwa na uzito wa 'ImageNet' , kama ilivyofanywa kwa kawaida ili kuanzisha uzito kwa convergence ya algorithm ya haraka katika mipangilio ya ufafanuzi wa picha; viwango vyote vilikuwa vya mafunzo. Picha ziliongezeka kwa zoom ya random (range=0.2) na share rotate (range=0.2). Dataset ya maendeleo ilitumiwa kulinganisha kwa mara kwa mara utendaji wa algorithm na hyperparameters za tune nzuri kwa kutumia utafutaji wa grid (Tabu la ziada Tumefanya majaribio na miundombinu tofauti kama vile VGG-16, ResNet50 na InceptionNet-V3, lakini hakuona faida ya kuongezeka juu ya Xception. Utafutaji wa grid uliotumika ili kufafanua hyperparameters. Dataset ya mtihani haikujumuishwa kabisa wakati wa mafunzo na ilitumiwa tu kwa ripoti ya utendaji wa mwisho. Utabiri wa kawaida zaidi juu ya viwambo vimechapishwa vya kila video ulihesabiwa kama uchambuzi wa angiographic wa video hiyo; uhusiano ulijadiliwa kwa kuchagua uchambuzi na uwezekano wa wastani wa juu katika viwambo vyote. Tumeitumia uzito wa Algorithm 1 kama "mfano wa msingi" ili kuanzisha uzito kwa ajili ya mafunzo ya algorithms ya baadaye 33 34 5 Algorithm 2: Ufafanuzi wa muundo wa anatomics ya msingi Algorithm 2 iliyoundwa kwa lengo la kutambua muundo wa anatomical ya msingi unaoonekana katika video ya angiographic (Tabu la ziada ), since it is common to capture angiogram videos containing non-cardiac anatomic structures such as the aorta or the femoral artery during the procedure. To generate Algorithm 2 training data, we randomly selected 14,366 images from the extracted Full Dataset, and a cardiologist categorized each image into one of 11 classes describing the primary anatomic structure (Supplementary Table Dataset hii iliangaziwa katika mafunzo / maendeleo / mtihani datasets, ambayo ina 9887 (70%), 1504 (10%), na 2975 (20%) picha, kulingana. Picha ziliongezeka kwa zoom ya random (mzunguko = 0.2) na mzunguko wa kupiga (mzunguko = 0.2). Muundo wa anatomiki wa awali wa video uliotarajiwa ulikuwa utabiri wa hali ya viwambo vyote vya Dataset kamili iliyochukuliwa. ). F1 scores and model performance varied by anatomic class, but in general classes with lesser frames had lower performance (Supplementary Fig. ), kuonyesha uwezekano wa kuboresha utendaji ikiwa data zaidi iliyoonyeshwa ilikuwa inapatikana. 2 2 5 1 3B ya Algorithm 3: Upatikanaji wa vitu vya angiogram Algorithm 3 ililenga kutambua vitu vinavyohusiana ndani ya picha za mishipa ya korona ya kushoto na ya kulia (mchakato wa Algorithm 2). Wakati Algorithm 3 ilifundishwa kutambua vitu vingi (Tabu la ziada) ), majukumu muhimu zaidi kwa pipa la CathAI yalikuwa (i) kutambua sehemu za arterial coronary, (ii) kutambua stenosis (ikiwa zinapatikana) na (iii) kutambua vitu vingine vinavyohusiana kama vile guidewires au sternotomy. Ili kuzalisha data ya mafunzo kwa Algorithm 3, 2338 tofauti-kuvumilia picha za LCA na RCA pamoja na na na bila stenosis (kama kutambuliwa na Algorithm 2) zilichapishwa na kardiologist ambaye aliweka sanduku za mipaka karibu na vitu vyote vinavyohusiana katika picha (Tabu ya ziada) Ni stenosis tu katika mishipa kuu ya epicardic, sio matawi ya upande kama vile diagonal au marginal, iliyoonyeshwa. Katika 100% ya picha za 2338, LCA au RCA ilikuwa muundo wa anatomical wa msingi unaohifadhiwa, na artery ilikuwa vizuri kutazamwa, haifai vizuri, na sio chini, kulingana na kardiologist. 3 3 Katika mwongozo wetu wa mwisho wa CathAI tulijifunza matoleo mawili ya Algorithm 3: Algorithm 3a ilijifunza na kukubali picha zote za LCA na RCA kama input. Tangu RCA katika uchambuzi wa LAO ulikuwa na idadi kubwa ya picha zilizotajwa katika dataset yetu, pia tulijifunza algorithm 3b maalum juu ya uchambuzi huu ili kuonyesha faida zinazowezekana za utendaji kutokana na kuzingatia algorithm kwenye artery / uchambuzi maalum (RCA katika LAO). Ili kufundisha Algorithms 3a / b, tulihusisha picha zetu zilizotajwa kwa kazi hii katika seti mbili za data tofauti: moja ambayo ina arteri za coronary ya kushoto / kulia (2,338 picha) na moja ambayo ina picha za R Algorithms 3a/b employed the RetinaNet architecture and were trained using original hyperparameters RetinaNet imefikia utendaji wa hali ya juu kwa eneo la vitu kama vile kugundua wageni kwa magari yenye kuendesha gari . For our task, Algorithms 3a/b output bounding box coordinates for any objects present in each input image. Because some artery segments in certain angiographic projections are known a priori to be foreshortened or not visible, we applied a post-hoc heuristic to exclude certain Algorithm 3a/b-predicted artery segments from angiographic projections as predicted by Algorithm 1 (Supplementary Table ). This thereby represents a fusion of intermediate predictions from two CathAI pipeline algorithms to achieve more clinically-relevant overall pipeline performance. To assess Algorithm 3a/b performance, the predicted coordinates were compared with the ground-truth coordinates using the ratio of the area of intersection over the area of union (called Intersection-over-union [IoU]) . An IoU≥0.5 between the predicted and annotated coordinates was considered a true positive. Next, we measured the mean average precision (mAP), which represents the ratio of true positives over true and false positives at different thresholds of IoU, for each class MAP ya 50% ikilinganishwa na matokeo ya kisasa kwa aina hii ya kazi , . 16 35 4 36 37 16 35 Algorithm 4: kutabiri asilimia ya stenosis ya artery coronary Algorithm 4 ilianzishwa kutabiri ukali wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ug ). Matched procedural report values served as labels to train Algorithm 4 with input images cropped around stenosed artery segments according to Algorithm 3a/b bounding boxes. Non-matched stenoses were removed from our dataset. We also excluded all videos where an intra-coronary guidewire was present in more than 4 frames, as automatically determined by Algorithm 3a/b (6,076 videos, 41,780 stenosis-frames identified with guidewires), since these videos likely represent percutaneous coronary interventions which could alter the stenosis percentage within that video (Supplementary Fig. ); videos were retained from studies prior to the insertion of an intracoronary guidewire. To train and validate Algorithm 4, we combined 6258 images of non-stenosed coronary artery segments with the remaining 98,756 images of stenoses. 1 1 Mara baada ya stenosis kutambuliwa, mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa mstari wa Kwa kuwa sehemu za mishipa zisizojulikana zimeendelea kuwa za muda mrefu kuliko mishipa ya mishipa ambayo inaweza kusababisha mafunzo, tumepiga sehemu zote zisizojulikana kwa random kwa urefu na upana, kutafakari usambazaji wa ukubwa wa picha za mishipa ndani ya sehemu hiyo ya mishipa ya mishipa. Hii ilitoa ukubwa wa mishipa sawa kati ya picha zisizojulikana na zisizojulikana kwa kila sehemu ya mishipa. 1 Algorithm 4 ilianzishwa juu ya usanifu wa Xception, ambapo kiwango cha mwisho (kiwango cha Softmax, kilichotumika kwa utambulisho) kilibadilishwa na kiwango cha wastani cha wastani na kazi ya uendeshaji linear ili kuwezesha utabiri wa ukali wa stenosis kama thamani ya asilimia ya kuendelea. Data ya picha iliyojumuisha alama ya sehemu ya artery ya coronary na kiwango cha kipimo cha sehemu pia iliongezwa kama input kwenye kiwango cha mwisho cha Algorithm 4, ambayo iliboresha utendaji. Algorithm inatoa thamani ya asilimia ya stenosis kati ya 0 na 100 kwa kila picha ya kuingia ambayo inawakilisha stenosis ya kiwango cha juu katika sehemu hiyo ya artery ya coronary. thamani ya asilimia kisha iliongezwa kwa wast Viwango vya mfano vilianzishwa kwa kutumia wale kutoka kwa algorithm iliyofundishwa 1. Picha ziliongezeka kwa flip random (pamoja horizontal na vertical), tofauti ya random, mabadiliko ya gamma na mwanga, matumizi ya random ya usawa wa histogram adaptive (Kusaidia kuboresha usawa katika picha). algorithms zilifundishwa ili kupunguza hasara ya mraba kati ya kutabiriwa (AI-stenosis) na ripoti-stenosis kwa kutumia optimizer RADAM na kiwango cha awali cha kujifunza cha 0.001, kasi ya 0.9 na ukubwa wa mfululizo wa 12, walijifunza kwa 50 epochs. Mafunzo yalifunguliwa wakati kupoteza kuacha kuboresha kwa 8 epochs mfululizo katika dataset ya mtihani. 38 Kwa Algorithm 4, tulibadilisha mpango wa mafunzo ili kwamba kila enzi ilifundishwa juu ya picha za kiwango cha kipengele kimoja, na mafunzo ya epoch ijayo juu ya kiwango cha kipengele kimoja (kuiga viwango vyote kutoka kwa iteration iliyopita), kama ilivyofanywa hapo awali kwa inputi nyingi za ukubwa Hii ilikuwa iterated hadi kuunganisha. Tulipima utendaji wa algorithm juu ya dataset kamili ya mtihani, ambayo inajumuisha viwango vya vipengele vitatu. Tuligundua kuwa kuunganisha kwa mafunzo ya ufungaji wa ukubwa wengi ulikuwa kama algorithms nyingine ambazo walitumia ukubwa wa imara kwa mafunzo. Pia tulijaribu mbinu mbalimbali za kabla ya usindikaji na mfululizo bila kuboresha utendaji wa algorithm (Tabu ya ziada) (Kwa ajili ya 39 7s Njia za Ufafanuzi wa Mtandao wa Neural Tumeitumia mbinu mbili za ufafanuzi wa mtandao wa neural kwa algorithms za CathAI zilizoandaliwa vizuri ili kuelewa vizuri jinsi algorithms zilivyofanya utabiri wao, kulingana na kazi zao zinazohusiana. teknolojia inaonyesha maeneo ya picha ambayo ni muhimu zaidi kwa utabiri. maeneo ya rangi ya rangi yanaonyesha umuhimu mkubwa kwa utabiri wa algorithm, wakati maeneo ya bluu zaidi yanaonyesha umuhimu mdogo. pia tumechapisha ramani ya umuhimu kwa kutumia mbinu ya LOVI (Layer Ordered Visualization of Information) , ambayo inaonyesha pikseli za kibinafsi katika picha ambazo zinachangia zaidi kwa utabiri wa algorithm. pikseli za wazi zinawakilisha mchango mkubwa kwa utabiri wa algorithm. 17 18 Utambulisho wa nje Kwa alenosis ya nje, tulipata sampuli za video za 1000 za angiogram za coronary zilizofanywa katika Chuo Kikuu cha Ottawa Heart Institute (UOHI) kati ya Julai 1st 2020 na Oktoba 31st 2020, zilizopatikana na mifumo ya Philips Azurion (Koninklijke Philips N.V., Amsterdam, Uholanzi), kwa 15 fps, kwa kutumia rangi ya Iopromide. Algorithms 1, 2 na 3 zilitumiwa kwa kila video ili kutambua na kutambua stenosis, na Algorithm 4 ilipendekeza AI-stenosis. Kisha tulipiga sampuli hadi mifano ya 40 ya video za angiogram kwa sehemu ya artery ya coronary ili kuunda dataset yetu ya nje ya udhibiti, kutambua jumla ya 464 ya angiogram za coronary na stenosis tofauti. Karatasi mbili To train CathAI Algorithm 4 for the different population distribution of the QCA dataset, we split the QCA dataset into training (75%), development (12.5%) and testing (12.5%) and fine-tuned the last two fully-connected layers of Algorithm 4, to allow the algorithm to learn to predict the QCA stenosis values from the input stenosis images rather than visually assessed stenosis. We performed a grid-search of initial learning rates from 1e−4 to 1e−8 and selected the rate which produced the lowest loss value on the development set in 100 epochs. We then trained the model starting with a learning rate of 1e-6 and dropping by a factor of 0.1 every 100 epochs, for 300 epochs. Angiography ya quantitative ya coronary Mfumo wa CathAI hutoa msingi wa algorithmic kufundishwa tena kwa kazi za baadaye zinazohusiana na angiogram. Ili kuthibitisha hili, tulipata dataset ya nje ya angiograms ya coronary ya idadi ya wagonjwa tofauti a priori iliyohukumiwa katika Taasisi ya Montreal Heart (MHI) Core lab kwa kutumia mfumo wa CMS QCA (MEDIS, Leiden, Uholanzi). Dataset hii ilihusishwa na angiograms iliyochambuliwa na maabara ya MHI Angiographic Core, iliyopatikana wakati wa majaribio ya randomized ya kudhibiti (RCT) katika wagonjwa wenye umri wa miaka ≥ 18 ambao walikuwa na upasuaji wa angiography ya coronary kama sehemu ya utafiti, na kupokea dawa mpya za kupunguza lipid au placebo Uchunguzi ambao data hii ilichukuliwa hutumia vigezo vya kuingiza ambayo walikataa wagonjwa wenye ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa ugonjwa wa , . 40 6 13 Picha za angiogram ya coronary zilichukuliwa kwa kutumia Philips (Koninklijke Philips N.V., Amsterdam, Uholanzi), General Electric Medical Systems (General Electric, Chicago, Illinois, Marekani) na Toshiba (Toshiba Corporation, Minato City, Tokyo, Japan) kwa picha za 15 kwa sekunde, kwa kuingiza rangi ya Iopromide ndani ya arteries ya coronary. Kwa kila uchambuzi wa QCA katika maabara ya msingi ya MHI, ram ya mwisho ya diastolic ilichaguliwa na angulations ambayo ilionyesha kwa ufanisi zaidi stenosis katika kiwango chake cha dharura na upungufu mdogo wa matawi. programu ya QCA ilihesabu asilimia ya stenosis ya mzunguko kwa sehemu za arteries ya coronary na mzunguko wa reference ≥ 1.5 mm. Dataset hii ya RCT QCA ilikuwa na idadi tofauti ya wagonjwa a priori kuliko dataset ya UCSF ya kliniki ya ulimwengu halisi, kwa sababu stenosis zote ≥ 50% hazikuwepo wakati wa angiogram ya msingi (lakini inaweza kuwepo kwenye angiogram ya kufuatilia), na kuondoka hasa kwa CBD-CAD na kiwango cha wastani cha stenosis ya QCA cha 31.7% ± 11.6%. Hii ilitoa fursa bora ya kuchunguza jinsi CathAI inaweza kutoa msingi wa mafunzo ya upya kwa kutumia alama za stenosis za QCA ili kufanya kazi kama chombo cha automatiska kwa uchambuzi wa angiogram ya msingi. Tathmini ya algorithm na uchambuzi wa takwimu Kama ilivyofaa kwa kila kazi, utendaji wa kila algorithm kwa thamani za kikabila ulihesabiwa kwa kutumia thamani nzuri ya utabiri (PPV), thamani mbaya ya utabiri, hisia, utambulisho, eneo chini ya mwongozo wa kazi (AUC), alama ya F1 na vifungu vya Bland-Altmann. and Pearson correlation and the mean absolute error between CathAI’s stenosis prediction and the report stenosis or QCA stenosis. All three centers report continuous percentage stenoses as part of their routine clinical care. 41 Mitandao ya neural ilifundishwa kwa kutumia Keras v.2.24 na TensorFlow v.1.12. Ufanisi wa algorithm ya mwisho uliripotiwa katika Dataset ya Mtihani. Uchambuzi wote ulifanywa kwa kutumia Python 2.7. Algorithms 1 na 2 zilitathminiwa kwenye ngazi ya frame / picha kwa kutumia usahihi (yaani thamani ya utabiri wa chanya), kukumbuka (uhusiano) na kuandika utendaji kwa kutumia matrices ya confusion. To evaluate Algorithm 3a and 3b, we calculated the area of intersection over the area of union (IoU) between predicted bounding-box coordinates and the expert-annotated bounding-box coordinates of objects in each class in the test dataset. The IoU is the ratio between the area of overlap over the area of union between the predicted and annotated sets of coordinates IoU ≥0.5 inamaanisha angalau 50% ya eneo la kuunganisha kati ya mipaka ya kweli na ya utabiri, ambayo tulichukuliwa kuwa chaguo halisi.Tafadhali tunaripoti utendaji wa Algorithm 3a/b kama kiwango cha wastani cha usahihi (mAP), ambayo inawakilisha kiwango cha chaguo halisi juu ya chaguo halisi na cha uongo kwenye mipaka tofauti ya IoU, kwa kila darasa thamani ya mAP ya 50% ikilinganishwa na matokeo ya kisasa kwa aina hii ya kazi , Pia tunatoa usahihi wa wastani wa wastani wa algorithm 3a na algorithm 3b kwa kuhesabu kiwango cha utabiri wa darasa sahihi na IoU ≥0.1 na alama yetu ya ukweli wa msingi katika darasa zetu zote katika dataset yetu ya mtihani, pamoja na thamani nzuri ya utabiri wa utabiri wa utabiri kwa kutumia ripoti au dataset ya QCA kama ukweli wa msingi. 36 37 16 35 Ili kutathmini algorithm 4, kiwango cha msingi cha maslahi kilikuwa makosa ya wastani ya kimsingi kati ya thamani iliyotangazwa (REPORT-stenosis) na thamani iliyotabiriwa (AI-stenosis) kwenye ngazi ya artery. , Kiwango cha picha cha AI-stenosis kilikuwa cha wastani katika video ili kupata kiwango cha video cha AI-stenosis na kulinganishwa na REPORT-stenosis kwa kutumia makosa ya wastani ya mraba. Uhakiki ulihesabiwa kuwa mbaya (< 0.5), wastani (0.50–0.75), nzuri (0.76-0.90), au nzuri (0.91-1.0).(52) Hatimaye, tunatoa makosa ya mraba ya wastani kati ya REPORT-stenosis na AI-stenosis kwenye ngazi ya video. 2 3 42 Kutabiri binary "obstructive" coronary artery stenosis, iliyofafanuliwa kama ≥ 70% stenosis , , kiwango cha 0.54 kilichotumika ambayo iliimarisha alama ya F1. Kulingana na hili, pia tunatoa ripoti ya eneo chini ya mwongozo wa kazi wa kipengele cha kazi (AUC), hisia, usahihi na kiwango cha utambulisho , at the frame level, video level and artery level, based on this threshold. 2 3 43 Confidence intervals for performance metrics were derived by bootstrapping 80% of the test data over 1000 iterations to obtain 5th and 95th percentile values. We present the performance of Algorithm 4 stratified by sex, by left and right coronary arteries, by artery segment and by age group. We also present two-sided viwango vya mwingiliano (katika katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati ya katikati. P Ripoti ya muhtasari Maelezo zaidi juu ya mpango wa utafiti inapatikana katika linked to this article. Ripoti ya utafiti wa asili Upatikanaji wa data Takwimu zinazotumiwa katika utafiti huu zinachukuliwa kutoka kwa matibabu ya kliniki na hivyo hazifanyiwa upatikanaji wa umma kwa sababu ya wasiwasi wa faragha ya data. Maombi mazuri ya ushirikiano kutumia data yanaweza kufanywa kutoka kwa waandishi, kama inawezekana na kuruhusiwa na Regents ya Chuo Kikuu cha California. Code availability The code that supports this work is copyright of the Regents of the University of California and can be made available through license. The data used to train and validate the algorithm cannot be made publicly available as it contains personal health information. Maelezo ya Virani, S. S. et al. Heart Disease and Stroke Statistics—2021 Update: A Report From the American Heart Association. , e254–e743 (2021). Circulation 143 Manesh, R. P. et al. ACC/AATS/AHA/ASE/ASNC/SCAI/SCCT/STS 2017 Appropriate Use Criteria for Coronary Revascularization in Patients With Stable Ischemic Heart Disease: A Report of the American College of Cardiology Appropriate Use Criteria Task Force, American Association for Thoracic Surgery, American Heart Association, American Society of Echocardiography, American Society of Nuclear Cardiology, Society for Cardiovascular Angiography and Interventions, Society of Cardiovascular Computed Tomography, and Society of Thoracic Surgeons. , 2212–2241 (2017). J. Am. Coll Cardiol 69 Levine, G. N. et al. 2011 ACCF/AHA/SCAI Guideline for Percutaneous Coronary Intervention: executive summary: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines and the Society for Cardiovascular Angiography and Interventions. , 2574–2609 (2011). Circulation 124 Leape, L. L. et al. Effect of variability in the interpretation of coronary angiograms on the appropriateness of use of coronary revascularization procedures. , 106–113 (2000). Am. Heart J. 139 Haibo, Z. et al. Comparison of physician visual assessment with quantitative coronary angiography in assessment of stenosis severity in China. , 239–247 (2018). JAMA Intern Med. 178 Rohan, S. et al. Comparison of visual assessment of coronary stenosis with independent quantitative coronary angiography: Findings from the PROMISE trial. , 1–9 (2017). Am. Heart J. 184 Kussmaul, W. G., Popp, R. L. & John, N. Accuracy and reproducibility of visual coronary stenosis estimates using information from multiple observers. , 154–162 (1992). Clin Cardiol 15 Nallamothu, B. K. et al. Comparison of clinical interpretation with visual assessment and quantitative coronary angiography in patients undergoing percutaneous coronary intervention in contemporary practice. , 1793–1800 (2013). Circulation 127 Elbaz-Greener, G., Masih, S., Fang, J., Roifman, I. & Wijeysundera, H. C. Temporal trends in fractional flow reserve use in patients undergoing coronary angiography: A population-based study. , 10–18 (2019). Cjc Open 1 Tonino, P. A. L. et al. Fractional flow reserve versus angiography for guiding percutaneous coronary intervention. , 213–224 (2009). New Engl J Medicine 360 Islam, Y. E. et al. Temporal trends in inpatient use of intravascular imaging among patients undergoing percutaneous coronary intervention in the United States. . , 913–915 (2018). JACC Cardiovasc. Interv 11 Parikh, R. V. et al. Utilization and outcomes of measuring fractional flow reserve in patients with stable ischemic heart disease. , 409–419 (2020). J. Am. CollegeCardiol. 75 Paolo, G. et al. Quantitative coronary angiography in the current era: principles and applications. , 527–536 (2009). J. Interv. Cardiol 22 Shah, R. et al. Comparison of visual assessment of coronary stenosis with independent quantitative coronary angiography: Findings from the Prospective Multicenter Imaging Study for Evaluation of Chest Pain (PROMISE) trial. , 1–9 (2017). Am. Heart J. 184 Langlais, É. L. et al. Novel artificial intelligence applications in cardiology: Current landscape, limitations, and the road to real-world applications. . 1–13 (2022). J. Cardiovasc. Transl https://doi.org/10.1007/s12265-022-10260-x Tsung-Yi, L., Priya, G., Ross, G., Kaiming, H. & Piotr, D. Focal loss for dense object detection. Preprint at (2017). https://arxiv.org/abs/1708.02002 Selvaraju, R. R. et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization. , 336–359 (2019). Int J Comput Vis 128 Nathan, M. T., Chen, B. Y. & Friedland, G. Efficient saliency maps for explainable AI. Preprint at (2019). https://arxiv.org/abs/1911.11293 Chengyang, Z. et al. Automated deep learning analysis of angiography video sequences for coronary artery disease. Preprint at (2021). https://arxiv.org/abs/2101.12505 Yang, S. et al. Major vessel segmentation on X-ray coronary angiography using deep networks with a novel penalty loss function. , 16897 (2019). Sci. Rep. 9 Nasr-Esfaha, E. et al. Segmentation of vessels in angiograms using convolutional neural networks. , 240–251 (2018). Biomed. Signal Process. Control 40 Benjamin, A. et al. Automated characterization of stenosis in invasive coronary angiography images with convolutional neural networks. Preprint at (2018). https://arxiv.org/abs/1807.10597 Athanasios, V. & Krystian, M. Deep segmentation and registration in X-ray angiography video. Preprint at (2018). https://arxiv.org/abs/1805.06406 Jingfan, F. et al. Multichannel fully convolutional network for coronary artery segmentation in X-Ray angiograms. , 44635–44643 (2018). IEEE Access 6 Moon, J. H. et al. Automatic stenosis recognition from coronary angiography using convolutional neural networks. , 105819 (2021). Comput Methods Programs Biomed. 198 Iyer, K. et al. AngioNet: a convolutional neural network for vessel segmentation in X-ray angiography. , 18066 (2021). Sci. Rep-uk 11 Yang, S. et al. Automatic coronary artery segmentation in X-ray angiograms by multiple convolutional neural networks. 31–35 (2018). Assoc. Comput. Mach. https://doi.org/10.1145/3195588.3195592 Du, T. et al. Training and validation of a deep learning architecture for the automatic analysis of coronary angiography. , 32–40 (2021). Eurointervention 17 Marcus, M. L. et al. Visual estimates of percent diameter coronary stenosis: “a battered gold standard.”. , 882–885 (1988). J. Am. Coll Cardiol. 11 Xu, X. et al. Sex differences in assessing stenosis severity between physician visual assessment and quantitative coronary angiography. , 9–14 (2022). Int. J. Cardiol. 348 Morris, P. D., Curzen, N. & Gunn, J. P. Angiography‐derived fractional flow reserve: More or less physiology? , e015586 (2020). J. Am. Heart Assoc. 9 Jaemin, S., Jun, P., Sang & Kyu-Hwan, J. Retinal vessel segmentation in fundoscopic images with generative adversarial networks. Preprint at (2017). https://arxiv.org/abs/1706.09318 Chollet, F. Xception: Deep Learning with Depthwise Separable Convolutions. Preprint at (2017). https://arxiv.org/abs/1610.02357 Alex, K., Ilya, S. & Geoffrey, E. H. ImageNet classification with deep convolutional neural networks. in 1097–1105 (2012). Advances in Neural Information Processing Systems Minh, H. et al. Deep RetinaNet-based detection and classification of road markings by visible light camera sensors. , 281 (2019). Sensors (Basel) 19 Rezatofighi, H. et al. Generalized intersection over union: A metric and a loss for bounding box regression. . 658–666 (2019). Conference: IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) https://doi.org/10.1109/cvpr.2019.00075 Tie-Yan, L. Learning to rank for information retrieval. , 225–331 (2007). Found Trends Inf. Retr 3 Liyuan, L. et al. On the variance of the adaptive learning rate and beyond. Preprint at (2019). https://arxiv.org/abs/1908.03265 Kaiming, H., Xiangyu, Z., Shaoqing, R. & Jian, S. Spatial pyramid pooling in deep convolutional networks for visual recognition. 346–361 (2014). Lect Notes Comput. Sci. Tardif, J.-C. et al. Effects of reconstituted high-density lipoprotein infusions on coronary atherosclerosis: A randomized controlled trial. , 1675–1682 (2007). JAMA 297 Koo, T. K. & Li, M. Y. A guideline of selecting and reporting intraclass correlation coefficients for reliability research. , 155–163 (2016). J. Chiropr. Med. 15 Bland, J. M. & Altman, D. G. Statistical methods for assessing agreement between two methods of clinical measurement. , 307–310 (1986). Lancet 327 Glas, A. S., Lijmer, J. G., Prins, M. H., Bonsel, G. J. & Bossuyt, P. M. M. The diagnostic odds ratio: a single indicator of test performance. , 1129–1135 (2003). J. Clin. Epidemiol. 56 Ujumbe wa RA inasaidiwa na “Fonds de la recherche en santé du Québec” data (Grant 274831). JEO alipokea fedha kutoka NIH (U2CEB021881). GHT ilipokea msaada kutoka National Institutes of Health NHLBI K23HL135274. KS haina fedha zinazohusiana na maandishi haya. AW inasaidiwa na National Science Foundation Graduate Research Fellowship chini ya Grant No. DGE 1752814. YS inasaidiwa na Tuzo ya Utafiti wa Nusu Fainali kutoka kwa Heart and Stroke Foundation ya Ontario. J-CT ina Kanada Research Chair katika Personalized na Translational Medicine na Chuo Kikuu cha Montreal amehakikisha utafiti cha atherosclerosis. JEG inasaidiwa na NSF CISE Expeditions Award CCF-17306 Makala hii inapatikana katika asili chini ya leseni ya CC by 4.0 Deed (Attribution 4.0 International). Makala hii ni chini ya leseni ya CC by 4.0 Deed (Attribution 4.0 International). Inapatikana kwa asili